실험을 가속하는 AI,
판정을 지키는 규칙

두 개의 신규 단서: 실행과 판정

2026년 9월 27일 기준으로 다시 확인한 결과, 앞선 업데이트에서 검토한 연구와 중복되지 않으면서 추가 알림 가치가 있다고 판단되는 신규 항목은 2건이다. 하나는 신약개발에 직접적인 AI+로봇 폐루프가 실제 IND 단계 후보까지 이어진 사례, 다른 하나는 완성형 Neuro-Symbolic Co-Scientist 설계에서 중요한 “LLM은 탐색·오케스트레이션을 맡고, 과학적 판정은 결정론적 규칙 계층에 맡겨야 한다”는 prospective evidence이다.

게시일은 첨부 업데이트 기준일 2026년 9월 27일이다. 두 자료의 발표 및 공개일은 9월 24일로 별도 표기한다.

KQTD-126: 로봇 실험이 밀어 올린 신약 후보

COMPANY ANNOUNCEMENT · PRECLINICAL DATA · IND SUBMISSION

— AI + Robotics 폐루프가 자체 신약후보의 IND 제출까지 연결

발표일: 2026년 9월 24일 · XtalPi 연구개발 발표. XtalPi는 자체 개발한 KQTD-126, 즉 IBS·IBD 관련 만성 장통증을 겨냥한 gut-restricted pan-TRK inhibitor에 대해 미국 FDA에 IND를 제출했다고 발표했다. 중요한 점은 이것이 단순 “AI가 분자를 제안했다”는 사례가 아니라, 회사가 generative/predictive AI → automated chemistry robot → synthesis → empirical screening → molecular refinement를 반복하는 closed-loop 과정에서 후보를 최적화했다고 구체적으로 밝힌 첫 자체 파이프라인 IND라는 점이다. 근거 · XtalPi 회사 발표

설계 문제도 Neuro-Symbolic Co-Scientist 관점에서 흥미롭다. 단일 potency가 아니라 TRKA/B/C 활성, 타 kinase 선택성, 장 조직 체류, 혈중 노출 최소화라는 서로 충돌하는 다중 목적을 동시에 만족시켜야 했고, AI가 화학공간을 탐색하는 동안 자동화 실험이 각 설계안을 실제 데이터로 검증해 다음 구조 수정에 피드백했다. 회사 발표 기준 전임상 결과는 pan-TRK IC₅₀가 1 nM 미만, 장 조직 대 혈액 노출비가 1,000:1 초과였다. 다만 이는 회사가 보고한 전임상 수치이며, 현재 단계는 IND 제출이지 FDA 임상시험 허가 또는 임상효능 확인이 아니다. 근거 · XtalPi 회사 발표

다중 목적 최적화와 명시적 믿음 상태

앞서 검토한 Andromeda 2·GALILEO·AnewDDE와의 차이는 closed-loop AI–robotics가 특정 실험 proof-of-concept에 머물지 않고, 자체 small-molecule program을 규제개발 단계 직전까지 밀어냈다는 점이다. Andromeda 2가 formulation, GALILEO가 peptide intervention, AnewDDE가 nanobody design–measure–redesign을 보여줬다면, KQTD-126은 medicinal chemistry의 실제 난제인 potency–selectivity–tissue distribution trade-off를 반복적 자동화 최적화로 다뤘다는 의미가 크다. 근거 · XtalPi 회사 발표

신약개발 단계에서는 Hit-to-Lead → Lead Optimization → Preclinical Candidate Selection → IND-enabling transition에 가장 직접적이다. 특히 “높은 potency”만 최적화하는 것이 아니라 효능·선택성·조직분포·안전성 설계목표를 동시에 만족해야 하는 multiparameter optimization을 physical closed loop로 다룬다는 점은 향후 AI Co-Scientist의 실제 산업적 형태에 가깝다.

다만 엄격한 Neuro-Symbolic 관점에서는 여전히 빠진 요소가 있다. 공개자료에는 KG/HRKG belief state, explicit causal model, logical rule engine, falsification state, formal belief-revision operator가 없다. 따라서 가장 강한 후속 연구는 “Epistemic-HRKG-governed Multiparameter Drug Optimization”이다. 예를 들어 각 설계판단을 (Compound, property, target/context, predicted_value, observed_value, assay, model, uncertainty, provenance, design_round) 형태의 hyper-relational assertion으로 유지하고, 실험이 예측과 어긋날 때 단순 score만 갱신하지 않고 SAR 가설, 조직분포 가설, off-target 가설 중 어느 belief가 틀렸는지를 명시적으로 수정하는 구조이다.

XtalPi KQTD-126 공식 배포자료

근거 경계 · KQTD-126의 성능과 개발 단계는 회사의 공식 배포자료에 따른다. IND 제출은 FDA의 임상시험 개시 승인 또는 환자 효능 입증을 뜻하지 않는다. HRKG와 belief revision의 접목은 이 글의 연구 제안이다.

Genome Skeptic: 같은 증거, 다른 판정권

BIORXIV PREPRINT · BLINDED 20-GENOME STUDY

Genome Skeptic — AI Models Excel at Orchestration but Falter at Biological Judgment

발표일: 2026년 9월 24일 · bioRxiv 2026.09.23.753765. 이 연구는 직접적인 drug-design 논문은 아니지만, Neuro-Symbolic AI Co-Scientist의 제어 아키텍처를 설계하는 데 매우 중요한 신규 evidence라 선별했다. Genome Skeptic은 bacterial gene annotation 문제에서 모든 sequence-level measurement를 결정론적 bioinformatics tool이 생성하게 하고, LLM controller는 사전에 정의된 tool registry 안에서만 “다음에 어떤 분석을 할지” 선택하게 한다. 근거 · bioRxiv 원문

prospectively locked·blinded 20-genome tet(A)/tet(B) 실험에서 GPT-5.6 Sol을 workflow controller로 사용했을 때 최종 정확도는 고정 전략 및 exhaustive 전략과 동일한 18/20이었지만 후속 분석 호출은 각각 32%, 47% 감소했다. 그런데 동일한 모델에 똑같은 evidence를 주고 최종 biological adjudication 권한까지 넘기자 정확도가 18/20에서 11/20, specificity가 1.00에서 0.30으로 떨어졌다. deterministic adjudicator의 오류를 LLM이 수정한 사례도 없었다. 근거 · bioRxiv 원문

탐색과 과학적 판정을 분리하는 설계

이 결과의 신규성은 성능 숫자보다 역할 분리에 있다. 최근 Co-Scientist 시스템은 보통 동일 LLM이 무엇을 조사할지, 도구 결과가 무엇을 의미하는지, 최종 결론이 무엇인지를 모두 담당한다. Genome Skeptic은 prospective setting에서 LLM이 evidence acquisition policy에는 유용하지만 evidence의 과학적 의미를 최종 판정하는 데는 오히려 해가 될 수 있음을 분리해서 보여준다. 이는 앞서 알려드린 PRAXIS-VirtualCell의 biological contract나 T-REX의 deterministic controller와 매우 잘 맞물린다. 근거 · bioRxiv 원문

신약개발에서는 직접적인 compound generation보다는 Target Validation, resistance-mechanism annotation, assay interpretation, MoA adjudication, evidence synthesis에 중요하다. 예를 들어 multi-agent Co-Scientist가 “다음에 어떤 CRISPR assay, docking/FEP, omics 분석을 할지”는 유연하게 선택하도록 두되, target supported, mechanism contradicted, candidate rejected 같은 상태전이는 formal rule/constraint layer가 담당하는 편이 더 신뢰성 높은 구조가 될 수 있다는 것이다.

따라서 향후 연구기회는 LLM Orchestrator + Symbolic Adjudicator + Epistemic HRKG이다. 구체적으로 LLM은 탐색·도구선택·experiment planning만 담당하고, HRKG에 저장된 evidence는 admissibility, independence, condition match, causal strength, counter-evidence 규칙을 통해 결정론적으로 판정한다. 그 결과만이 supported → weakened → contradicted → falsified belief transition을 수행하도록 만들면, 현재의 “LLM이 자신의 출력을 스스로 심사하는” 구조보다 훨씬 강한 Neuro-Symbolic Co-Scientist가 된다.

Genome Skeptic — bioRxiv 원문

해석 범위 · 18/20과 11/20, specificity 1.00과 0.30은 이 사전 고정된 tet(A)/tet(B) 과제의 역할 배분 비교다. 모든 생물학 과제에서 LLM의 최종 판정이 악화된다는 일반 명제나 신약 후보에 대한 직접 실험 결과는 아니다.

두 폐루프를 연결하는 연구 과제

통합 제안 · 아래의 HRKG와 결정론적 판정 계층을 결합한 신약개발 폐루프는 두 발표가 이미 구현한 단일 시스템이 아니라 첨부 브리핑이 도출한 연구 방향이다.

이번 업데이트에서 특히 주목할 점은 두 연구가 서로 보완적이라는 것이다. XtalPi 사례는 AI가 무엇을 설계하고 로봇이 무엇을 실험할지 반복적으로 결정하는 physical closed loop가 실제 개발 후보까지 갈 수 있음을 보여주는 반면, Genome Skeptic은 그 폐루프에서 LLM에게 과학적 최종 판정권까지 주는 것은 위험할 수 있음을 보여준다. 따라서 현재 가장 설득력 있는 구조는 LLM/Multi-Agent Orchestration → Epistemic HRKG → Deterministic Scientific Adjudication → Automated Experiment → Counter-Evidence → Formal Belief Revision으로 수렴하고 있다.

이번 검색에서도 HRKG 자체를 scientific belief state로 사용하면서, wet-lab counter-evidence에 따라 causal graph를 formal operator로 자동 수정·폐기하는 end-to-end 신약개발 시스템은 새로 확인되지 않았다. 이 공백은 여전히 가장 강한 연구기회이다.